CN114419278A - 室内三维彩色网格模型生成方法及系统 - Google Patents
室内三维彩色网格模型生成方法及系统 Download PDFInfo
- Publication number
- CN114419278A CN114419278A CN202210060821.9A CN202210060821A CN114419278A CN 114419278 A CN114419278 A CN 114419278A CN 202210060821 A CN202210060821 A CN 202210060821A CN 114419278 A CN114419278 A CN 114419278A
- Authority
- CN
- China
- Prior art keywords
- indoor
- point cloud
- dimensional
- model
- reconstruction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000013507 mapping Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000001914 filtration Methods 0.000 claims abstract description 17
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000009499 grossing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/04—Texture mapping
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
- G06T15/50—Lighting effects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
- G06T7/337—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods involving reference images or patches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Abstract
本发明公开了一种室内三维彩色网格模型生成方法及系统,其中方法包括以下步骤:获取待建模的室内三维点云数据;采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型;对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;获取所述待建模的图像数据,并根据所述图像数据对所述无色网格模型进行贴图处理以生成室内三维彩色网格模型;由此,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
Description
技术领域
本发明涉及三维建模技术领域,特别涉及一种室内三维彩色网格模型生成方法以及一种三维彩色网格模型生成系统。
背景技术
在室内三维建模的过程中,由于室内环境较为复杂,在一些无纹理或者透明的区域(例如墙面,玻璃),从图像上难以寻找特征点进行重建;相关技术中,由于这一客观因素的存在使得现有方法难以重建无纹理或透明的区域,从而降低了三维模型的精确度。
发明内容
本发明旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本发明的一个目的在于提出一种室内三维彩色网格模型生成方法,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
本发明的第二个目的在于提出一种室内三维彩色网格模型生成系统。
为达到上述目的,本发明第一方面实施例提出了一种室内三维彩色网格模型生成方法,包括以下步骤:获取待建模的室内三维点云数据;采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型;对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;获取所述待建模的图像数据,并根据所述图像数据对所述无色网格模型进行贴图处理以生成室内三维彩色网格模型。
根据本发明实施例的室内三维彩色网格模型生成方法,首先,获取待建模的室内三维点云数据;然后采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型;接着对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;最后获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型;由此,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
另外,根据本发明上述实施例提出的室内三维彩色网格模型生成方法还可以具有如下附加的技术特征:
可选地,采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型,包括:计算所述室内三维点云数据中每个点对应的曲率;根据所述曲率对所述室内三维点云数据进行处理以提取特征点,其中,所述特征点包括面特征点和线特征点;计算每个特征点对应的配准误差;对所述配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
可选地,对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型,包括:对所述室内点云模型进行网格重建,以得到封闭的三角网格;获取所述三角网格的所有顶点密度;获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
可选地,通过以下公式计算所述室内三维点云数据中每个点对应的曲率:
其中,c表示曲率,S表示第i个三维点云pi的邻居点总数,pj表示pi的第j个邻居点。
可选地,通过以下公式计算每个特征点对应的配准误差:
为达到上述目的,本发明第二方面实施例提出了一种室内三维彩色网格模型生成系统,包括:获取模块,所述获取模块用于获取待建模的室内三维点云数据;第一生成模块,所述第一生成模块用于采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型;重建模块,所述重建模块用于对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;第二生成模块,所述第二生成模块用于获取所述待建模的图像数据,并根据所述图像数据对所述无色网格模型进行贴图处理以生成室内三维彩色网格模型。
根据本发明实施例提出的室内三维彩色网格模型生成系统,设置获取模块获取待建模的室内三维点云数据;第一生成模块采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型;重建模块对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;第二生成模块获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型;由此,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
另外,根据本发明上述实施例提出的室内三维彩色网格模型生成系统还可以具有如下附加的技术特征:
可选地,所述第一生成模块还用于,计算所述室内三维点云数据中每个点对应的曲率;根据所述曲率对所述室内三维点云数据进行处理以提取特征点,其中,所述特征点包括面特征点和线特征点;计算每个特征点对应的配准误差;对所述配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
可选地,所述重建模块还用于,对所述室内点云模型进行网格重建,以得到封闭的三角网格;获取所述三角网格的所有顶点密度;获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
可选地,通过以下公式计算所述室内三维点云数据中每个点对应的曲率:
其中,c表示曲率,S表示第i个三维点云pi的邻居点总数,pj表示pi的第j个邻居点。
可选地,通过以下公式计算每个特征点对应的配准误差:
附图说明
图1为根据本发明实施例的室内三维彩色网格模型生成方法的流程示意图;
图2为根据本发明另一实施例的室内三维彩色网格模型生成方法的模型处理过程示意图;
图3为根据本发明实施例的过滤低密度顶点后的模型示意图;
图4为根据本发明实施例的室内三维彩色网格模型生成系统的方框示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
为了更好的理解上述技术方案,下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1-2所示,该室内三维彩色网格模型生成方法包括以下步骤:
S101,获取待建模的室内三维点云数据。
作为一个实施例,通过三维数据采集设备对待建模的室内建筑进行采集,以得到对应的三维点云数据。
需要说明的是,三维数据采集设备可为激光雷达。
S102,采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型。
也就是说,输入移动采集设备获取的点云数据,并基于激光里程计和建图方法(LOAM:Lidar Odometry and Mapping in Real-time)得到场景的完整点云模型。
作为一个实施例,首先计算室内三维点云数据中每个点对应的曲率;然后根据曲率对室内三维点云数据进行处理以提取特征点,其中,特征点包括面特征点和线特征点;接着计算每个特征点对应的配准误差;最后对配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
作为一个具体实施例,首先根据点的曲率来计算平面光滑度作为提取当前帧的特征信息的指标,提取特征点:
其中c表示曲率,S表示激光点pi的邻居点总数,pj表示pi的某个邻点。
然后,根据曲率把该雷达线束均匀划分为多个区域,每个区域中的点根据曲率大小进行排序。
接着,根据预设的阈值将多个区域划分为两个部分,在小于阈值的部分中,选择其中曲率最小的M个点作为面特征点;而大于阈值的部分,选择其中曲率最大的点作为线特征点。
提取特征点后,根据以下公式计算每个特征点对应的配准误差:
计算出每个特征点对应的配准误差项后,将其联立起来形成方程组,并将得到的方程组进行非线性优化来最小化所有配准误差,以估计出初始数据帧对应的位姿;
其中,Tk+j表示待模拟出错序列中的第j个位姿,φk,tk为三维旋转向量和三维平移向量,(*)^表示把三维向量转换为反对称矩阵的运算,0T表示三维零向量的转置,Δφj,Δtj表示Tk+j对应的误差分量,m表示待模拟出错序列的帧数,Δφ,Δt表示待模拟出错序列的误差分量。
S103,对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型。
作为一个实施例,首先对室内点云模型进行网格重建,以得到封闭的三角网格;接着获取三角网格的所有顶点密度;然后获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
需要说明的是,泊松重建常用于恢复三维物体的封闭表面,算法输入为离散的点集,输出为封闭(watertight)的三角网格;由于外部环境不是由封闭的表面组成的,我们需要细化重建的表面并执行后处理步骤,其中包括去除低密度的顶点。网格上顶点v的密度σ(v)为测量输入点云中有多少点支持顶点v;低密度值意味着顶点仅由少量点支持,不存在于原始的点云数据中(因为泊松表面重建算法也会外推没有数据的点);重建网格后,根据每个顶点密度的分布,得到最高密度值开始的密度累积直方图,并修剪属于最后10%的顶点,即过滤掉密度值最小的10%顶点,结果如图3所示。
另外,基于密度的过滤也倾向于消除场景中的大部分移动对象,因为移动对象表面上的3D点通常只有少量三角片支持,且每次扫描时表面都会发生变化,导致移动物体上的顶点密度值较低,因此不会在这些位置重建表面。
S104,获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型。
也就是说,基于贴图算法(Let There Be Color!Large-Scale Texturing of 3DReconstructions)根据给定的m个三角片,表示为{F1,F2...Fm}和n张图像,表示为{I1,I2...In},计算每一个三角片Fi的纹理坐标,为每个网格三角片选取最优的图像Ii作为其纹理(下文以“标签”表示三角片分配到的最优图像)。
其中,通过优化以下能量函数,让结果达到最优:
Esmooth(li,lj)=[li≠lj]
其中Fi表示第i个三角片,li表示第i个三角片选取的图像序号,lj表示第j个三角片选取的图像序号;Edata表示数据项,表示三角片Fi到图像投影中心的平均距离,表示三角片法线与图像观测方向的夹角,数据项用于保证三角片的标签尽量正确;Esmooth表示平滑项,[·]表示艾佛森括号,条件满足则为1,不满足则为0,平滑项用于平滑输出网格模型的视觉效果,让相邻三角片间的标签尽量相同,从而减少图像光度变化带来的影响。
需要说明的是,以上能量函数通过图切算法(graph-cut)进行优化,使最终的能量值尽量的小。
综上所述,根据本发明实施例的室内三维彩色网格模型生成方法,首先,获取待建模的室内三维点云数据;然后采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型;接着对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;最后获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型;由此,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
为了实现上述实施例,本发明实施例还提出了一种室内三维彩色网格模型生成系统,如图4所示,该室内三维彩色网格模型生成系统包括:获取模块10、第一生成模块20、重建模块30和第二生成模块40。
其中,获取模块10用于获取待建模的室内三维点云数据;第一生成模块20用于采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型;重建模块30用于对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;第二生成模块40用于获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型。
作为一个实施例,第一生成模块20还用于计算室内三维点云数据中每个点对应的曲率;根据曲率对室内三维点云数据进行处理以提取特征点,其中,特征点包括面特征点和线特征点;计算每个特征点对应的配准误差;对配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
作为一个实施例,重建模块30还用于对室内点云模型进行网格重建,以得到封闭的三角网格;获取三角网格的所有顶点密度;获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
作为一个实施例,通过以下公式计算所述室内三维点云数据中每个点对应的曲率:
其中,c表示曲率,S表示第i个三维点云pi的邻居点总数,pj表示pi的第j个邻居点。
作为一个实施例,通过以下公式计算每个特征点对应的配准误差:
需要说明的是,上述关于图1中室内三维彩色网格模型生成方法的说明同样适用于该室内三维彩色网格模型生成系统,在此不做赘述。
综上所述,根据本发明实施例提出的室内三维彩色网格模型生成系统,设置获取模块获取待建模的室内三维点云数据;第一生成模块采用激光里程计和建图方法对室内三维点云数据进行帧间配准以生成室内点云模型;重建模块对室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;第二生成模块获取待建模的图像数据,并根据图像数据对无色网格模型进行贴图处理以生成室内三维彩色网格模型;由此,能够重建无纹理或透明的区域,从而提高三维模型的精确度。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是,在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
在本发明的描述中,需要理解的是,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
在本发明中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
在本发明中,除非另有明确的规定和限定,第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触,或第一和第二特征通过中间媒介间接接触。而且,第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方,或仅仅表示第一特征水平高度小于第二特征。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不应理解为必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种室内三维彩色网格模型生成方法,其特征在于,包括以下步骤:
获取待建模的室内三维点云数据;
采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型;
对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;
获取所述待建模的图像数据,并根据所述图像数据对所述无色网格模型进行贴图处理以生成室内三维彩色网格模型。
2.如权利要求1所述的室内三维彩色网格模型生成方法,其特征在于,采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型,包括:
计算所述室内三维点云数据中每个点对应的曲率;
根据所述曲率对所述室内三维点云数据进行处理以提取特征点,其中,所述特征点包括面特征点和线特征点;
计算每个特征点对应的配准误差;
对所述配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
3.如权利要求1所述的室内三维彩色网格模型生成方法,其特征在于,对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型,包括:
对所述室内点云模型进行网格重建,以得到封闭的三角网格;
获取所述三角网格的所有顶点密度;
获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
6.一种室内三维彩色网格模型生成系统,其特征在于,包括:
获取模块,所述获取模块用于获取待建模的室内三维点云数据;
第一生成模块,所述第一生成模块用于采用激光里程计和建图方法对所述室内三维点云数据进行帧间配准以生成室内点云模型;
重建模块,所述重建模块用于对所述室内点云模型基于泊松重建方法进行表面重建,并过滤低密度顶点以生成无色网格模型;
第二生成模块,所述第二生成模块用于获取所述待建模的图像数据,并根据所述图像数据对所述无色网格模型进行贴图处理以生成室内三维彩色网格模型。
7.如权利要求6所述的室内三维彩色网格模型生成系统,其特征在于,所述第一生成模块还用于,计算所述室内三维点云数据中每个点对应的曲率;根据所述曲率对所述室内三维点云数据进行处理以提取特征点,其中,所述特征点包括面特征点和线特征点;计算每个特征点对应的配准误差;对所述配准误差进行非线性优化以最小化所有配准误差,以便估计出初始数据帧对应的位姿。
8.如权利要求6所述的室内三维彩色网格模型生成系统,其特征在于,所述重建模块还用于,对所述室内点云模型进行网格重建,以得到封闭的三角网格;
获取所述三角网格的所有顶点密度;
获取预设的百分值,并过滤占所有顶点中密度最小的百分值的顶点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060821.9A CN114419278A (zh) | 2022-01-19 | 2022-01-19 | 室内三维彩色网格模型生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210060821.9A CN114419278A (zh) | 2022-01-19 | 2022-01-19 | 室内三维彩色网格模型生成方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419278A true CN114419278A (zh) | 2022-04-29 |
Family
ID=81274583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210060821.9A Pending CN114419278A (zh) | 2022-01-19 | 2022-01-19 | 室内三维彩色网格模型生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419278A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272618A (zh) * | 2022-09-20 | 2022-11-01 | 深圳市其域创新科技有限公司 | 三维网格优化方法、设备及存储介质 |
CN116051759A (zh) * | 2022-12-09 | 2023-05-02 | 广西壮族自治区自然资源遥感院 | 一种生成倾斜摄影lod简化模型的方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN108648270A (zh) * | 2018-05-12 | 2018-10-12 | 西北工业大学 | 基于eg-slam的无人机实时三维场景重建方法 |
CN110060332A (zh) * | 2019-04-09 | 2019-07-26 | 上海科技大学 | 基于机载采集设备的高精度三维建图与建模系统 |
CN110363849A (zh) * | 2018-04-11 | 2019-10-22 | 株式会社日立制作所 | 一种室内三维建模方法及系统 |
CN111612886A (zh) * | 2020-04-21 | 2020-09-01 | 厦门大学 | 室内三维模型生成方法及系统 |
CN112347550A (zh) * | 2020-12-07 | 2021-02-09 | 厦门大学 | 耦合式室内三维语义建图及建模方法 |
CN113178009A (zh) * | 2021-04-19 | 2021-07-27 | 中国人民解放军陆军工程大学 | 一种利用点云分割和网格修补的室内三维重建方法 |
CN113362470A (zh) * | 2021-05-25 | 2021-09-07 | 天津大学 | 一种应用自适应密度估计子的点云泊松表面重建方法 |
CN113724365A (zh) * | 2020-05-22 | 2021-11-30 | 杭州海康威视数字技术股份有限公司 | 一种三维重建方法及装置 |
-
2022
- 2022-01-19 CN CN202210060821.9A patent/CN114419278A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160125226A1 (en) * | 2013-09-17 | 2016-05-05 | Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences | Method and system for automatically optimizing quality of point cloud data |
CN110363849A (zh) * | 2018-04-11 | 2019-10-22 | 株式会社日立制作所 | 一种室内三维建模方法及系统 |
CN108648270A (zh) * | 2018-05-12 | 2018-10-12 | 西北工业大学 | 基于eg-slam的无人机实时三维场景重建方法 |
CN110060332A (zh) * | 2019-04-09 | 2019-07-26 | 上海科技大学 | 基于机载采集设备的高精度三维建图与建模系统 |
CN111612886A (zh) * | 2020-04-21 | 2020-09-01 | 厦门大学 | 室内三维模型生成方法及系统 |
CN113724365A (zh) * | 2020-05-22 | 2021-11-30 | 杭州海康威视数字技术股份有限公司 | 一种三维重建方法及装置 |
CN112347550A (zh) * | 2020-12-07 | 2021-02-09 | 厦门大学 | 耦合式室内三维语义建图及建模方法 |
CN113178009A (zh) * | 2021-04-19 | 2021-07-27 | 中国人民解放军陆军工程大学 | 一种利用点云分割和网格修补的室内三维重建方法 |
CN113362470A (zh) * | 2021-05-25 | 2021-09-07 | 天津大学 | 一种应用自适应密度估计子的点云泊松表面重建方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115272618A (zh) * | 2022-09-20 | 2022-11-01 | 深圳市其域创新科技有限公司 | 三维网格优化方法、设备及存储介质 |
CN116051759A (zh) * | 2022-12-09 | 2023-05-02 | 广西壮族自治区自然资源遥感院 | 一种生成倾斜摄影lod简化模型的方法 |
CN116051759B (zh) * | 2022-12-09 | 2023-08-04 | 广西壮族自治区自然资源遥感院 | 一种生成倾斜摄影lod简化模型的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112002014B (zh) | 面向精细结构的三维人脸重建方法、系统、装置 | |
CN112347550B (zh) | 耦合式室内三维语义建图及建模方法 | |
CN114419278A (zh) | 室内三维彩色网格模型生成方法及系统 | |
CN107767457A (zh) | 一种基于点云快速重建的stl数模生成方法 | |
Hu et al. | Structure‐aware 3D reconstruction for cable‐stayed bridges: A learning‐based method | |
CN111882668B (zh) | 一种多视角立体对象重建方法与系统 | |
CN113178009B (zh) | 一种利用点云分割和网格修补的室内三维重建方法 | |
JP2013507679A (ja) | 三次元物体モデルの3dプリントが可能な方法及びシステム | |
Yoon et al. | Surface and normal ensembles for surface reconstruction | |
CN110533778B (zh) | 大规模图像点云并行分布式网格化重建方法、系统、装置 | |
CN112734887B (zh) | 基于深度学习的人脸混合-变形生成方法和装置 | |
CN111612886B (zh) | 室内三维模型生成方法及系统 | |
CN111311662A (zh) | 一种实时重建三维场景的方法及装置 | |
CN112102491B (zh) | 一种基于面结构光的皮肤损伤表面三维重建方法 | |
Yogeswaran et al. | 3d surface analysis for automated detection of deformations on automotive body panels | |
CN115937461A (zh) | 多源融合模型构建及纹理生成方法、装置、介质及设备 | |
CN110363178B (zh) | 基于局部和全局深度特征嵌入的机载激光点云分类方法 | |
CN109816781B (zh) | 一种基于图像细节和结构增强的多视图立体几何方法 | |
CN103679814A (zh) | 一种三角形网格模型的处理方法及装置 | |
CN112991504A (zh) | 一种改进的基于tof相机三维重建的补空洞方法 | |
Verykokou et al. | A Comparative analysis of different software packages for 3D Modelling of complex geometries | |
Chang et al. | Reverse engineering of a symmetric object | |
CN111369662A (zh) | Ct图像中血管的三维模型重建方法及系统 | |
CN113487728B (zh) | 一种鱼体模型确定方法及系统 | |
CN112002019B (zh) | 一种基于mr混合现实的模拟人物阴影的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |